CN110968619A - 基于故障树(fta)的液压机自学习故障诊断方法及系统 - Google Patents
基于故障树(fta)的液压机自学习故障诊断方法及系统 Download PDFInfo
- Publication number
- CN110968619A CN110968619A CN201911189567.7A CN201911189567A CN110968619A CN 110968619 A CN110968619 A CN 110968619A CN 201911189567 A CN201911189567 A CN 201911189567A CN 110968619 A CN110968619 A CN 110968619A
- Authority
- CN
- China
- Prior art keywords
- fault
- fault diagnosis
- knowledge base
- information
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007726 management method Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000013523 data management Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 12
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000013024 troubleshooting Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于故障树的液压机自学习故障诊断方法,初始化故障诊断知识库,所述故障诊断知识库为基于故障树的知识库;获取故障描述信息,访问故障诊断知识库生成各级推荐解决方案并进行推送,从而确定故障基础事件;根据所述故障基础事件,搜索所述故障诊断知识库获取对应的故障解决方法并进行推送;获取用户对于所述故障解决方法的有效性信息,并将所述有效性信息记录到所述故障诊断知识库;基于所述有效性信息更新所述故障诊断知识库中所有故障原因的权值因子。还提供了相应系统。通过自动更新权值的方式,对装备故障给出有针对性的故障原因预判,为运维人员起到指导作用,缩短了装备故障排除时间,间接提高了液压机利用率。
Description
技术领域
本发明涉及液压机,具体而言,涉及一种基于故障树的液压机自学习故障诊断方法及系统。
背景技术
随着自动控制和材料成型等领域科学技术的快速发展,我国所生产的液压机装备特别是万吨级重型液压机装备的已经成为集机械、液压、传感和控制等技术的复杂装备。液压机装备的成型工艺越来越复杂,子系统和子部件也越来越多,这就给用户以及装备制造厂商的故障诊断与维护能力提出了更高的要求,因此,设计出一套快速有效的故障排查、诊断的方法,精准分析出故障点,从而降低运维成本和装备停机损失和就显得尤为重要。
发明内容
本发明为了解决现有技术中故障排查、诊断效率低,准确率低的问题,将故障树分析法(FTA)引入到的液压机装备的故障诊断中,通过诊断系统和用户之间的交互式工作,从而精准定位故障点并做出有效的处理。同时在装备出厂时建立故障诊断知识库,为各故障原因设置权值因子,并在运行中不断迭代,根据故障发生的频次系统自动更新其权值。
具体地,本发明第一方面提供了一种基于故障树的液压机自学习故障诊断方法,包括如下步骤:
S110、初始化故障诊断知识库,所述故障诊断知识库为基于故障树的知识库;
S120、获取故障描述信息,根据故障描述信息访问故障诊断知识库生成各级推荐解决方案并进行推送,从而确定故障基础事件;
S130、根据所述故障基础事件,搜索所述故障诊断知识库获取对应的故障解决方法并进行推送;
S140、获取用户对于所述故障解决方法的有效性信息,并将所述有效性信息记录到所述故障诊断知识库;
S150、基于所述有效性信息更新所述故障诊断知识库中所有故障原因的权值因子。
进一步地,通过贝叶斯网络建模方法获取所述权值因子。
进一步地,所述步骤S150包括:
S151、通过历史异常数据选取液压机部件异常的关键影响因子作为液压机部件异常情况的关键指标和网络节点,利用因果关系建立网络结构;
S152、利用样本数据集对所述网络结构进行模型训练,确定所述网络结构中各节点的条件概率分布,所述条件概率即为所述权值因子。
进一步地,所述基础事件逐级包括用户操作原因、互锁条件不满足和元件出现故障,所述步骤S120包括:
根据故障描述信息和实时状态数据和用户反馈信息,依次推送用户操作原因、互锁条件不满足和元件出现故障,直到用户确认找到基础事件。
进一步地,所述步骤S120还包括:
以基于故障树的知识库为依据,根据权值因子排序逐级推送基础事件。
另一方面,把发明基于上述的诊断方法,提供了一种施行上述基于故障树的液压机自学习故障诊断方法的故障诊断系统,包括,用户权限管理模块、设备管理模块、数据管理模块和故障诊断模块;
所述用户权限管理模块用于根据用户权限设定相应的功能权限;
所述设备管理模块用于设备的管理和记录故障信息和操作信息;
所述数据管理模块用于管理知识库、存储数据、预处理数据、可视化数据和数据协议解析;
所述故障诊断模块用于对采集到的液压机数据和用户的交互信息进行故障诊断并给出诊断的处理解决方案。
进一步地,所述故障诊断模块具体用于,初始化故障诊断知识库,所述故障诊断知识库为基于故障树的知识库;获取故障描述信息,根据故障描述信息访问故障诊断知识库生成各级推荐解决方案并进行推送,从而确定故障基础事件;根据所述故障基础事件,搜索所述故障诊断知识库获取对应的故障解决方法并进行推送;获取用户对于所述故障解决方法的有效性信息,并将所述有效性信息记录到所述故障诊断知识库;基于所述有效性信息更新所述故障诊断知识库中所有故障原因的权值因子。
进一步地,通过贝叶斯网络建模方法-获取所述权值因子。
进一步地,所述故障诊断模块具体还用于,通过历史异常数据选取液压机部件异常的关键影响因子作为液压机部件异常情况的关键指标和网络节点,利用因果关系建立网络结构;利用样本数据集对所述网络结构进行模型训练,确定所述网络结构中各节点的条件概率分布,所述条件概率即为所述权值因子。
进一步地,所述基础事件逐级包括用户操作原因、互锁条件不满足和元件出现故障,所述故障诊断模块具体还用于以基于故障树的知识库为依据,根据权值因子排序逐级推送基础事件。
本发明通过诊断系统和用户之间的交互式工作,能够精准定位故障点并做出有效的处理。同时在装备出厂时建立故障诊断知识库,为各故障原因设置权值因子,并在运行中不断迭代,根据故障发生的频次系统自动更新其权值,从而能够更加快捷进行故障原因推送,逐渐保证了推送的精确性。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1为本发明一些实施例中的故障诊断方法的方法流程示意图;
图2为本发明一些实施例中的获取权值因子的方法流程示意图;
图3为本发明一些实施例中的故障诊断系统的系统结构示意图;
图4为本发明一些实施例中的故障诊断系统的中子模块的功能示意图;
图5为本发明一些实施例中的故障诊断系统的中子模块的功能示意图;
图6为本发明一些实施例中的故障诊断系统的中子模块的功能示意图;
图7为本发明一些实施例中的故障树的结构示意图,每个节点有故障原因和权值因子;
图8为本发明另一些实施例中的故障诊断方法的方法流程示意图;
图9为本发明一些实施例中的故障诊断和解除的方法流程示意图;
图10为本发明一些实施例中的神经网络分析过程的流程示意图;
图11为本发明一些实施例中的故障树的伸进网络判断层级示意图;
图12为本发明一些实施例中的神经网络学习过程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1、2所示,本发明提供了一种基于故障树的液压机自学习故障诊断方法,包括如下步骤:
S110、初始化故障诊断知识库,所述故障诊断知识库为基于故障树的知识库;
S120、获取故障描述信息,根据故障描述信息访问故障诊断知识库生成各级推荐解决方案并进行推送,从而确定故障基础事件;
S130、根据所述故障基础事件,搜索所述故障诊断知识库获取对应的故障解决方法并进行推送;
S140、获取用户对于所述故障解决方法的有效性信息,并将所述有效性信息记录到所述故障诊断知识库;
S150、基于所述有效性信息更新所述故障诊断知识库中所有故障原因的权值因子。
本发明通过预先建立的基于故障树的知识库,获取用户的故障描述信息,根据实时采集的机器数据逐级利用权值因子排序推送相关的故障原因,最后根据推荐的效果更新权值因子,使得推荐更加准确。
进一步地,通过贝叶斯网络建模方法获取所述权值因子。
具体地,所述步骤S150包括:
S151、通过历史异常数据选取液压机部件异常的关键影响因子作为液压机部件异常情况的关键指标和网络节点,利用因果关系建立网络结构;
S152、利用样本数据集对所述网络结构进行模型训练,确定所述网络结构中各节点的条件概率分布,所述条件概率即为所述权值因子。
所述基础事件根据优先级进行逐级设置,所述基础事件逐级包括用户操作原因、互锁条件不满足和元件出现故障,所述步骤S120包括:
根据故障描述信息和实时状态数据和用户反馈信息,依次推送用户操作原因、互锁条件不满足和元件出现故障,直到用户确认找到基础事件。例如,先给用户推送用户操作原因,如果所有的原因用户都没确认,则推送互锁条件不满足的原因,如果所有的原因用户还没确认,则推送元件故障,直到用户确认找到基础事件,当然,基础事件可根据液压系统的特点可设置多级,本申请设置成三级是发明人根据实践获取的较优效果。
进一步地,所述步骤S120还包括:
以基于故障树的知识库为依据,根据权值因子排序逐级推送基础事件。
另一方面,如图3所示,本发明还提供了一种施行上述基于故障树的液压机自学习故障诊断方法的故障诊断系统200,包括,用户权限管理模块210、设备管理模块220、数据管理模块230和故障诊断模块240;
所述用户权限管理模块210用于根据用户权限设定相应的功能权限;
所述设备管理模块220用于设备的管理和记录故障信息和操作信息;
所述数据管理模块230用于管理知识库、存储数据、预处理数据、可视化数据和数据协议解析;
所述故障诊断模块240用于对采集到的液压机数据和用户的交互信息进行故障诊断并给出诊断的处理解决方案。
进一步地,所述故障诊断模块240具体用于,初始化故障诊断知识库,所述故障诊断知识库为基于故障树的知识库;获取故障描述信息,根据故障描述信息访问故障诊断知识库生成各级推荐解决方案并进行推送,从而确定故障基础事件;根据所述故障基础事件,搜索所述故障诊断知识库获取对应的故障解决方法并进行推送;获取用户对于所述故障解决方法的有效性信息,并将所述有效性信息记录到所述故障诊断知识库;基于所述有效性信息更新所述故障诊断知识库中所有故障原因的权值因子。
进一步地,通过贝叶斯网络建模方法获取所述权值因子。
所述故障诊断模块240具体还用于,通过历史异常数据选取液压机部件异常的关键影响因子作为液压机部件异常情况的关键指标和网络节点,利用因果关系建立网络结构;利用样本数据集对所述网络结构进行模型训练,确定所述网络结构中各节点的条件概率分布,所述条件概率即为所述权值因子。
所述基础事件逐级包括用户操作原因、互锁条件不满足和元件出现故障,所述故障诊断模块240具体还用于以基于故障树的知识库为依据,根据权值因子排序逐级推送基础事件。
如下,提供了更加详细的实施例。
参照图4~8所示,诊断系统主要包括用户权限模块,设备管理模块,数据管理模块,故障诊断模块。
用户权限模块设置四类用户,具有不同权限:
(1)设备操作用户(如,液压机使用人员,操作员):有查看功能,检索并获得故障解决方法;
(2)设备维修用户(如,维修人员和材料工艺人员):有查看功能,检索故障解决方案,添加设备设备故障,设备维修记录等设备相关情况信息;
(2)普通管理员(如,车间主任):能对授权范围内的相应对象进行修改和删除,而且可以添加和删除设备维修用户和设备操作用户;
(3)超级管理员(如,系统研发人员,):不受任何操作限制,能添加、修改和删除所有的相关信息,设置密码,初始化等。
设备管理模块:
(1)设备的添加:客户购买后自行为其添加该设备及设备的相关信息。
(2)设备的删除:客户可以删除自己的设备或授权供应商删除。
(3)设备故障记录:每个设备都有自己独立的故障记录,作为系统所有故障记录的一部分,为后期故障分析丰富知识库数据。
(4)设备元器件记录:设备元器件记录包括出厂时的配备的元器件,同时包括运行过程中后期更换的元器件。
(5)设备操作记录:通过远程传输,把各设备的操作日志发送至服务器进行保存。
(6)设备维修记录:维修部位,维修进度,解决故障。
数据管理模块:
(1)知识库管理:对知识进行分类、添加、删除、修改等。
(2)数据结构:定义数据的结构,方便数据的检索、可视化、分析等操作。
(3)数据储存:预处理后的数据存入数据库永久保存,对外提供查询、分析处理等操作。
(4)数据预处理:检测用户输入数据的合法性、过滤非法数据,按照预设规则进行预处理。
(5)数据可视化:对监测的数据进行实时或近实时的动态呈现,包括正常、异常、报警等。
(6)数据协议解析:数据服务器在收到数据后,按照既定的数据协议进行数据的解析,之后交由数据预处理模块进行预处理,最后进行数据储存,以及可视化显示。
故障诊断模块:对采集到的液压机数据和用户的交互信息进行故障诊断并给出故障的处理解决方案。
参照图9,系统的工作流程如下:
步骤一、故障诊断知识库初始化:液压机装备预置基于故障树(FTA)知识库的故障诊断系统。
步骤二、用户故障诊断系统提出故障描述,系统根据故障描述信息访问故障树分析专家知识库并给出各级的推荐解决方案。
一级中间事件Mx主要包括:(1)操作原因(2)互锁条件不满足(3)元件出现故障,二级以及以后中间时间Mx采用概率统计的方法,神经网络分析方法(参照图10、图11)等优选推送,通过各级中间时间以及用户的现场排查操作的交互式解决方法最终锁定相应的基础事件Xx。
图12,示例了故障树的神经网络判断层级,当滑块无法回程,可以通过用户反馈来选择故障树分支,然后对第三层使用神经网络,初始时根据原因的数量,每个出现的概率均等,进行预设权值,每多发生一次,更新权值因子,提高该故障的有限推送级别。
举例说明:用户向运维中心提出“滑块无法回程”的故障描述后,运维中心结合接收到的实时状态数据和用户反馈信息,进行如下信息的推送:
1.系统推送给一级中间事件用户操作原因信息:检测电机是否启动、旋钮是否打到主机位置,如无误推送下一步信息;
2.系统推送给一级中间事件用户互锁条件信息:检测插拔销的位置、工作台位置等,如无误则推送下一步信息;
3.系统送给用户一级中间事件元件故障信息:提示用户按下“滑块回程”按钮后观察现象反馈给系统,检查基础时间管路和密封元件是否有漏油现象,电磁铁是否吸和,如电磁铁不吸和则考虑二级中间事件电气元件故障,如电磁铁吸和则考虑二级中间事件液压元件故障,依次类推直到找到基础事件为止。
步骤三、确认故障的基础事件Xx后,系统搜索专家解决方案知识库给出用户相应的故障解决方法。
步骤四、用户排除故障后反馈给故障诊断系统确认故障解决方法有效,系统将反馈信息进行记录到专家解决方案知识库。用户如未能处理故障,平台将故障信息及时反馈系统管理员。
步骤五、系统自学习:故障原因确认之后,系统根据确认解决自动更新所有的原因的权值因子。如图7所示,故障树每个节点上设有故障原因和相应的权值因子,然后子节点也相应设置有故障原因和权值因子。
例如:系统预置电磁方向阀异常的故障概率是:阀接头接线松动概率60%,支撑阀卡阀概率25%,快速阀卡阀7%,安全阀卡阀8%。
采用贝叶斯网络建模方法:第一阶段,基于专家知识和先验数据,选取电磁方向阀异常的重要影响因子作为电磁方向阀异常情况的关键指标和网络节点,确定系统中变量之间的依赖关系,建立贝叶斯网络结构;第二阶段,在确定的网络结构下,利用数据集进行参数学习、模型训练,并验正建立的模型是否满足要求。
模型的参数学习是两阶段法建模方法的第二阶段,主要是利用样本数据集对给定的网络结构进行模型训练,确定网络各节点的条件概率分布。
设数据D由样本(D1,D2,…,Dm)组成,且D符合独立同分布,就是D中各样本在给定参数θ时相互独立,即
且每一个样本Di的条件概率分布P(Di|θ)相同。通常情况,利用数据D的条件概率P(D|θ=θ0)来衡量参数θ=θ0与数据D的拟合程度,概率值P(D|θ=θ0)越大,参数值θ0就与数据D的拟合程度越高。
利用最大似然概率估计方法,对任意的参数值θ,数据D的条件概率P(D|θ)称为θ的似然函数,记为
L(θ|D)=P(D|θ) (1)
参数θ的最大似然估计,就是令似然函数L(θ|D)达到最大的那个取值θ*,即:
考虑一个贝叶斯网络由n个变量X={X1,X2,…Xn}组成,节点变量Xi共有ri个取值,其父节点π(Xi)共有qi个取值组合。那么网络参数为
θijk=P(Xi=k|π(Xi)=j)
其中i的取值范围是1~n,而对一个固定的i,j和k的取值范围分别是从1~qi及从1~ri。网络中所有的θijk记为θ,有
由数据集D的样本服从独立同分布,有:
则有
将式(5)带入式(3)中,有
直观上有
随着时间的累计,每种故障的先验概率会随着事件的增多而变化,如果后续出现电磁方向阀的异常,通过网络推导,发现预置的快速阀卡阀概率可能会降低、支撑阀卡阀概率会上升。
进一步,液压机的故障按基本部件:(1)电机泵组,(2)油箱系统,(3)滑块,(4)顶出装置,(5)工作台,(6)辅助装置,(7)电气系统等分为若干个故障树子集。
更进一步,故障解决之后,运维人员确认故障原因,若实际故障原因不在列表内,系统允许运维人员手动输入自定义原因。
更进一步,运维平台根据与用户交互的和反馈的信息统计某种故障出现的次数并调整该故障出现的概率便于以后优先推送给用户。
权重调整方法:wi←wi+Δwi
本发明的优点如下:
一、传统的液压装备故障排查仅能通过采集PLC的数字量输入或模拟量输入信号值后经过简单的逻辑分析判断给出用户提示信息(数字量信号如压力继电器报警,模拟量如油温传感器值超过允许工作温度),对一种现象(如滑块无回程动作)由多种原因(如电磁铁用断路器跳闸,开关电源损坏,控制电缆松动,电磁阀卡阀等)导致的故障没有有效的处理办法,本发明可针对同一故障的描述,通过系统与用户的信息交换,逐级定位故障的原因并给出合理的解决方案。
二、本发明的通过自动更新权值的方式,对装备故障给出有针对性的故障原因预判,为运维人员起到指导作用,缩短了装备故障排除时间,间接提高了液压机利用率。
在本发明中,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于故障树的液压机自学习故障诊断方法,其特征在于,包括如下步骤:
S110、初始化故障诊断知识库,所述故障诊断知识库为基于故障树的知识库;
S120、获取故障描述信息,根据故障描述信息访问故障诊断知识库生成各级推荐解决方案并进行推送,从而确定故障基础事件;
S130、根据所述故障基础事件,搜索所述故障诊断知识库获取对应的故障解决方法并进行推送;
S140、获取用户对于所述故障解决方法的有效性信息,并将所述有效性信息记录到所述故障诊断知识库;
S150、基于所述有效性信息更新所述故障诊断知识库中所有故障原因的权值因子。
2.根据权利要求1所述的基于故障树的液压机自学习故障诊断方法,其特征在于,通过贝叶斯网络建模方法获取所述权值因子。
3.根据权利要求2所述的基于故障树的液压机自学习故障诊断方法,其特征在于,所述步骤S150包括:
S151、通过历史异常数据选取液压机部件异常的关键影响因子作为液压机部件异常情况的关键指标和网络节点,利用因果关系建立网络结构;
S152、利用样本数据集对所述网络结构进行模型训练,确定所述网络结构中各节点的条件概率分布,所述条件概率即为所述权值因子。
4.根据权利要求1所述的基于故障树的液压机自学习故障诊断方法,其特征在于,所述基础事件逐级包括用户操作原因、互锁条件不满足和元件出现故障,所述步骤S120包括:
根据故障描述信息和实时状态数据和用户反馈信息,依次推送用户操作原因、互锁条件不满足和元件出现故障,直到用户确认找到基础事件。
5.根据权利要求4所述的基于故障树的液压机自学习故障诊断方法,其特征在于,所述步骤S120还包括:
以基于故障树的知识库为依据,根据权值因子排序逐级推送基础事件。
6.一种施行权利要求1~5任一基于故障树的液压机自学习故障诊断方法的故障诊断系统,包括,用户权限管理模块、设备管理模块、数据管理模块和故障诊断模块;
所述用户权限管理模块用于根据用户权限设定相应的功能权限;
所述设备管理模块用于设备的管理和记录故障信息和操作信息;
所述数据管理模块用于管理知识库、存储数据、预处理数据、可视化数据和数据协议解析;
所述故障诊断模块用于对采集到的液压机数据和用户的交互信息进行故障诊断并给出诊断的处理解决方案。
7.根据权利要求6所述的故障诊断系统,其特征在于,所述故障诊断模块具体用于,初始化故障诊断知识库,所述故障诊断知识库为基于故障树的知识库;获取故障描述信息,根据故障描述信息访问故障诊断知识库生成各级推荐解决方案并进行推送,从而确定故障基础事件;根据所述故障基础事件,搜索所述故障诊断知识库获取对应的故障解决方法并进行推送;获取用户对于所述故障解决方法的有效性信息,并将所述有效性信息记录到所述故障诊断知识库;基于所述有效性信息更新所述故障诊断知识库中所有故障原因的权值因子。
8.根据权利要求7所述的故障诊断系统,其特征在于,通过贝叶斯网络建模方法获取所述权值因子。
9.根据权利要求8所述的故障诊断系统,其特征在于,所述故障诊断模块具体还用于,通过历史异常数据选取液压机部件异常的关键影响因子作为液压机部件异常情况的关键指标和网络节点,利用因果关系建立网络结构;利用样本数据集对所述网络结构进行模型训练,确定所述网络结构中各节点的条件概率分布,所述条件概率即为所述权值因子。
10.根据权利要求7所述的故障诊断系统,其特征在于,所述基础事件逐级包括用户操作原因、互锁条件不满足和元件出现故障,所述故障诊断模块具体还用于以基于故障树的知识库为依据,根据权值因子排序逐级推送基础事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189567.7A CN110968619A (zh) | 2019-11-28 | 2019-11-28 | 基于故障树(fta)的液压机自学习故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189567.7A CN110968619A (zh) | 2019-11-28 | 2019-11-28 | 基于故障树(fta)的液压机自学习故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110968619A true CN110968619A (zh) | 2020-04-07 |
Family
ID=70031975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911189567.7A Pending CN110968619A (zh) | 2019-11-28 | 2019-11-28 | 基于故障树(fta)的液压机自学习故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110968619A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612181A (zh) * | 2020-05-22 | 2020-09-01 | 哈尔滨锅炉厂有限责任公司 | 基于故障树的锅炉异常工况诊断及运行优化方法 |
CN111736568A (zh) * | 2020-05-20 | 2020-10-02 | 天津市天锻压力机有限公司 | 一种实时数据库的故障快速诊断方法及系统 |
CN112105045A (zh) * | 2020-09-10 | 2020-12-18 | 中国联合网络通信集团有限公司 | 一种通讯设备故障诊断方法和平台 |
CN112434832A (zh) * | 2020-12-09 | 2021-03-02 | 广州瑞修得信息科技有限公司 | 基于贝叶斯网络的车辆故障检测方案的智能推荐方法 |
CN113360346A (zh) * | 2021-06-22 | 2021-09-07 | 北京百度网讯科技有限公司 | 用于训练模型的方法和装置 |
CN113757223A (zh) * | 2021-09-06 | 2021-12-07 | 徐工集团工程机械有限公司 | 液压部件可靠性分析方法和系统、计算机装置和存储介质 |
CN114726101A (zh) * | 2022-04-25 | 2022-07-08 | 广州恒泰电力工程有限公司 | 一种用电控制的智能配电终端监测方法及系统 |
CN114780732A (zh) * | 2022-06-22 | 2022-07-22 | 天津市天锻压力机有限公司 | 基于贝叶斯分类模型的锻造液压机预测性维护方法及系统 |
CN116680653A (zh) * | 2023-06-13 | 2023-09-01 | 中国人民解放军海军大连舰艇学院 | 基于ds证据推理的舰载拖曳电子装备故障现场诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
CN106050580A (zh) * | 2016-08-17 | 2016-10-26 | 国电联合动力技术有限公司 | 一种风力发电机组传动链故障诊断方法及系统 |
CN109272674A (zh) * | 2018-08-27 | 2019-01-25 | 苏州浪潮智能软件有限公司 | 一种支持离线和联机环境下使用的自助设备故障排查系统 |
CN110221592A (zh) * | 2019-05-30 | 2019-09-10 | 北京博锐尚格节能技术股份有限公司 | 建筑机电故障诊断方法、装置及系统 |
-
2019
- 2019-11-28 CN CN201911189567.7A patent/CN110968619A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
CN106050580A (zh) * | 2016-08-17 | 2016-10-26 | 国电联合动力技术有限公司 | 一种风力发电机组传动链故障诊断方法及系统 |
CN109272674A (zh) * | 2018-08-27 | 2019-01-25 | 苏州浪潮智能软件有限公司 | 一种支持离线和联机环境下使用的自助设备故障排查系统 |
CN110221592A (zh) * | 2019-05-30 | 2019-09-10 | 北京博锐尚格节能技术股份有限公司 | 建筑机电故障诊断方法、装置及系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736568A (zh) * | 2020-05-20 | 2020-10-02 | 天津市天锻压力机有限公司 | 一种实时数据库的故障快速诊断方法及系统 |
CN111612181A (zh) * | 2020-05-22 | 2020-09-01 | 哈尔滨锅炉厂有限责任公司 | 基于故障树的锅炉异常工况诊断及运行优化方法 |
CN112105045A (zh) * | 2020-09-10 | 2020-12-18 | 中国联合网络通信集团有限公司 | 一种通讯设备故障诊断方法和平台 |
CN112434832A (zh) * | 2020-12-09 | 2021-03-02 | 广州瑞修得信息科技有限公司 | 基于贝叶斯网络的车辆故障检测方案的智能推荐方法 |
CN113360346A (zh) * | 2021-06-22 | 2021-09-07 | 北京百度网讯科技有限公司 | 用于训练模型的方法和装置 |
CN113757223A (zh) * | 2021-09-06 | 2021-12-07 | 徐工集团工程机械有限公司 | 液压部件可靠性分析方法和系统、计算机装置和存储介质 |
CN113757223B (zh) * | 2021-09-06 | 2023-11-03 | 江苏徐工工程机械研究院有限公司 | 液压部件可靠性分析方法和系统、计算机装置和存储介质 |
CN114726101A (zh) * | 2022-04-25 | 2022-07-08 | 广州恒泰电力工程有限公司 | 一种用电控制的智能配电终端监测方法及系统 |
CN114780732A (zh) * | 2022-06-22 | 2022-07-22 | 天津市天锻压力机有限公司 | 基于贝叶斯分类模型的锻造液压机预测性维护方法及系统 |
CN114780732B (zh) * | 2022-06-22 | 2022-09-13 | 天津市天锻压力机有限公司 | 基于贝叶斯分类模型的锻造液压机预测性维护方法及系统 |
CN116680653A (zh) * | 2023-06-13 | 2023-09-01 | 中国人民解放军海军大连舰艇学院 | 基于ds证据推理的舰载拖曳电子装备故障现场诊断方法 |
CN116680653B (zh) * | 2023-06-13 | 2024-01-30 | 中国人民解放军海军大连舰艇学院 | 基于ds证据推理的舰载拖曳电子装备故障现场诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110968619A (zh) | 基于故障树(fta)的液压机自学习故障诊断方法及系统 | |
CN110095744B (zh) | 一种电子式互感器误差预测方法 | |
CN104254810B (zh) | 用于一组工厂的条件监视的方法和系统 | |
DE102017128693A1 (de) | Merkmal- und Grenzeinstellung zur Bedrohungserkennung in einem industriellen Anlagensteuersystem | |
CN100555136C (zh) | 加工厂中的异常状况预防方法和系统 | |
CN101536002B (zh) | 用于工艺监控的系统和方法 | |
US7739216B2 (en) | Methods and systems for monitoring and diagnosing machinery by incremently testing a rule | |
US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
US20080125877A1 (en) | Process data collection system configuration for process plant diagnostics development | |
US20080065705A1 (en) | Process Data Collection for Process Plant Diagnostics Development | |
US20080065706A1 (en) | Process Data Storage For Process Plant Diagnostics Development | |
CN109034400B (zh) | 一种变电站异常量测数据预测平台系统 | |
DE102004015504A1 (de) | Verfahren und Vorrichtung zur diagnostischen Wahl eines Wartungskonzepts für ein komplexes System | |
CN108170566A (zh) | 产品故障信息处理方法、系统、设备和协同工作平台 | |
CN111380686A (zh) | 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法 | |
Borchersen et al. | Model‐based fault detection for generator cooling system in wind turbines using SCADA data | |
Huang et al. | Remaining useful life estimation for systems with abrupt failures | |
CN113849774A (zh) | 基于寿命分析和健康监测的设备智能维护平台 | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
CN117111568B (zh) | 基于物联网的设备监测方法、装置、设备及存储介质 | |
CN117013687A (zh) | 一种电力运行质量监测方法及系统 | |
WO2021043998A1 (en) | Artifical intelligence/machine learning driven assessment system for a community of electrical equipment users | |
Kurtoglu et al. | Towards a framework for evaluating and comparing diagnosis algorithms | |
Azvine et al. | Intelligent process analytics for CRM | |
CN117634857B (zh) | 一种基于用户行为分析的iptv故障检测方法、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200407 |